MARLİN SIDA: Deniz Altı ve Suüstü Görevlerinde Yapay Zekâyla Akıllı Mayın Tespiti ve Sınıflandırması

NATO ACT liderliğindeki inovasyon süreci kapsamında, akademi, endüstri ve devlet aktörlerinin katılımıyla yürütülen ve ittifak içinde ortaya çıkan çığır açıcı teknolojilerin benimsenmesini hızlandırmayı amaçlayan dört aşamalı girişim, Türkiye’deki final gösterileriyle somutlandı. Faaliyetler, Cumhurbaşkanlığı Savunma Sanayii Başkanlığı koordinasyonunda İstanbul Teknik Üniversitesi Denizcilik Fakültesi’nde gerçekleştirildi; ASELSAN ile Sefine Tersanesi’nin geliştirdiği MARLİN SIDA bu süreçte önemli bir rol üstlendi.

MARLİN, deniz yüzeyinde dolaşan mayınların tespitinde kullanıldı ve sensör verilerini işleyerek otonom sınıflandırma yeteneğini yazılım düzeyinde kazandı. Bu geliştirme, ek donanım gerektirmeden mevcut yazılım üzerinden entegre edildi. Mevcut keşif, gözetleme ve suüstü harbine ek olarak yeni bir yetenek seti kazanan MARLİN’in, mayın harbi görevlerini de yerine getirebilmesi hedeflendi. Başlangıç amacı, yüzey mayınlarının elektro-optik sensörlerden elde edilen verilerin derin öğrenme ile analiz edilmesiyle tespit ve sınıflandırma yapmaktı.

Bu çalışmalar, daha geniş bir veri kütüphanesi ile eğitildiğinde gelişmeye devam edecek. Birlikte harekat yapılan unsurların video akışlarının (örneğin STM Togan dronu) verilerinin füzyonu üzerinde iyileştirmeler sürüyor ve sensör çeşitliliği artırılıyor. MARLİN, NATO kapsamındaki mayın senaryosunda operasyonun tüm aşamalarında görev alarak tespit, sınıflandırma ve takım içinde koordinasyon işlevlerini başarıyla yerine getirdi.

Gelecekte, su altı mayınlarının tespiti MARLİN’in odak noktalarından biri olacak; aynı zamanda kritik su altı altyapılarının gözetimi ve korunmasına yönelik yetenekler de eklenmeye çalışılıyor. Arkasında benzeri olmayan bir veri seti bulunuyor MARLİN’in mayın tespiti ve sınıflandırması için kullanılan derin öğrenme modeli, Sefine Tersanesi Stratejik ve İnsansız Sistemler Araştırma Merkezi (SİSAM) tarafından toplanan ve literatürde nadiren karşılaşılan sentetik ile gerçek verileri bir araya getiren kapsamlı bir veri kümesiyle eğitildi. Sistem, aldığı görüntüleri analiz ederek deniz yüzeyindeki potansiyel anomalileri haritalandırır ve sınıflandırır. Anomali olarak işaretlenen nesneyle ilgili olarak, özgün frekans imzasını, biçimsel özelliklerini ve çevresel bağlamını SİSAM veri setinde öğrenilmiş farklı nesne sınıflarıyla karşılaştırır; böylelikle mayın ve zararsız cisim arasındaki ayrımı yüksek doğrulukla yapabilir.